IT服务的安全性分为很多层次。例如，安全层包括防火墙、入侵检测和访问控制。基础设施层包括电力、网络及服务器的状态和冷却。但最重要的还是运维层。经验丰富的工作人员能够采用正确的流程，以确保数据中心运行一切正常。人工智能通过简化相应的步骤提高效率，对数据中心运维产生重大影响。

在互联网快速发展的今天，人工智能和深度学习将成为解析数据中心所生成大量数据的技术保障，通过人工智能可以更有效地管理服务交付，同时减少数据中心宕机等风险。这些都源于交付应用程序工作负载的转变。

数据太多？

在过去的10年中，人们已经从单一服务器单一应用程序演进到在容器中运行的分布式应用程序。这些正在由运行在前提和云中的微服务交付，这些服务都是由自动化工具管理的。基础设施已经成为应用程序的一部分。如果企业正在使用像Amazon S3或Google Maps这样的平台作为其服务交付的一个组成部分，那么就将经历这样的转变。

这种转变对数据中心管理造成的影响是显著的，电力和制冷只是需要工作人员定期关注的一部分。环境控制、物理设备、虚拟机和公共云都需要工作人员全天候进行监控和管理，以降低成本并提高效率。因此，了解特定工作负载迁移变得至关重要。

企业通过监控、分析收集来的数据量，来确保业务的正常发展。其中数据大都是从传感器、应用、门禁系统、配电单元、UPS、发电机和太阳能电池板产生的数据。如果外部数据源想要进行存储，例如应用程序漏洞信息，电费和天气预报。则需要强大的数据中心基础架构管理（DCIM）工具来存储所有这些数据，进行分析并将其转化为可操作的信息。

人工智能和深度学习在数据中心管理中变得不可或缺。以下是较为显著的领域：

获知动态

具有趋势、相关性分析和推荐操作的活动指示板。

预防性维护

深度学习用于识别和关联预测电源，存储或网络连接故障的数据。这样，在进行维护的同时，数据中心运营商可以积极主动将工作负载移至更安全的区域。

追踪故障分析

机器学习用于跟踪多个服务的故障根本原因。这被学习并用于将来的预防性维护。

网络安全和入侵检测

机器学习和深度神经网络用于现场应用传感器，访问控制系统和网络系统中发现异常模式，并提供更好的信噪比和积极的解决措施。学习神经网络用于不断提高企业的安全态势和管理相关问题的能力。

自动化

配备各种自动处理技术的"窄范围定义的人工智能"，例如如果自主驾驶汽车在行驶中即将发生碰撞，则采取刹车措施。

深度神经网络和机器学习算法将随着时间的推移而改进，从而实现更高的效率和性能，以配合快速增长的应用工作负载。随着这一切的即将到来，人工智能将